综述：深度学习辅助检测结直肠癌微卫星不稳定性的准确性：系统评价和荟萃分析

本综述系统评价了深度学习（DL）在检测结直肠癌（CRC）微卫星不稳定性（MSI）中的诊断效能。结果表明，基于病理切片（Pathology slice-based）的DL模型展现出高灵敏度（0.90）和特异性（0.86），曲线下面积（AUC）达0.94，具有作为智能辅助工具开发（AI-assisted tools）的巨大潜力，为临床免疫治疗（如PD-1/CTLA-4抑制剂）决策提供新思路。然而，基于磁共振成像（MRI）、结肠镜等影像的DL模型证据有限，需进一步验证。

　　

摘要

目的

本研究旨在综合评估深度学习（DL）在检测结直肠癌（CRC）微卫星不稳定性（MSI）方面的准确性，以期为智能检测工具的开发和更新提供证据支持。

方法

系统检索了PubMed、Web of Science、Embase和Cochrane图书馆从建库至2024年12月1日的相关研究。使用诊断准确性研究质量评估工具-2（QUADAS-2）对纳入研究的偏倚风险进行评估。仅对验证集中的诊断四格表数据进行荟萃分析。

结果

最终纳入30项原始研究。基于病理切片的深度学习模型的汇总特异性、灵敏度和汇总受试者工作特征曲线下面积（SROC AUC）分别为0.86（95%CI 0.80-0.90）、0.90（95%CI 0.85-0.93）和0.94（95%CI 0.30-1.00）。对于基于病理切片的深度学习模型的外部验证，汇总特异性、灵敏度和SROC AUC分别为0.84（95%CI 0.76-0.89）、0.88（95%CI 0.83-0.92）和0.93（95%CI 1.00-0.00）。基于磁共振成像（MRI）、结肠镜和拉曼光谱的深度学习研究数量极少。

结论

基于病理切片的深度学习在结直肠癌MSI检测中准确性高，具有未来软件开发的潜力，但基于影像图像的深度学习需要更多验证。

引言

结直肠癌（CRC）是最常见的恶性肿瘤之一，在过去三十年中其发病率和死亡率逐渐上升。根据2022年185个国家的癌症统计数据，CRC的发病率位居第三，癌症相关死亡率位居第二。此外，早发性结直肠癌（≤50岁）也呈现逐渐增加的趋势，尤其是在高收入国家，这引起了全球越来越多的关注。因此，CRC对全球公共卫生构成了巨大威胁。

免疫检查点阻断已成为CRC治疗的研究热点，它可能产生持久的患者反应，并且是治疗不可切除或转移性CRC的一种有前景的策略。在微卫星不稳定性高（MSI-H）的CRC中，对程序性死亡受体-1（PD-1）抑制剂（如帕博利珠单抗）的完全或部分缓解率约为43.8%，而PD-1抑制剂与抗细胞毒性T淋巴细胞相关蛋白-4（CTLA-4）抑制剂（如纳武利尤单抗联合低剂量伊匹木单抗）联合用药的客观缓解率可达约69%。目前，抗PD-1联合化疗被认为是错配修复缺陷（dMMR）/MSI-H CRC的一线治疗方案。此外，接受手术治疗的CRC患者的生存时间因MSI状态和肿瘤浸润淋巴细胞分类而异，这值得进一步探索以帮助早期CRC的临床决策。因此，早期识别CRC的MSI状态对于治疗决策具有重要的临床意义。

目前，MSI状态通常由病理学家通过免疫组织化学、聚合酶链式反应或对结肠镜活检或手术切除获得的标本进行下一代测序（NGS）来评估。这种评估需要病理学家具备丰富的先验知识，且NGS成本较高。近年来，机器学习（ML）在CRC的临床诊断和治疗中受到广泛关注，一些系统评价已证明其在预测CRC阳性事件方面具有令人满意的准确性。研究人员也尝试探索ML在检测CRC MSI状态方面的有效性。图像（病理、结肠镜和影像）是建立MSI状态ML模型的基础。然而，传统ML在图像处理过程中需要手动分割、特征提取和筛选，这可能会增加图像信息丢失的风险。因此，更高效的图像处理方法成为焦点。深度学习（DL）作为一种复杂的人工神经网络框架，将特征提取和筛选纳入图像处理的训练过程中，从而获得高效的图像处理结果，似乎在疾病诊断或预测方面展现出更高的准确性。此外，基于DL的人工智能（AI）图像识别工具已逐步应用于临床实践，这对医疗资源欠发达地区具有重要意义。

近年来，一些研究人员开发并验证了基于图像的DL用于识别CRC MSI状态，以探索DL作为检测CRC MSI状态的辅助工具的潜力。然而，由于图像类型和验证集生成方法的差异，缺乏关于其准确性的系统证据，这对AI在临床实践中的普及构成了挑战。因此，我们综合了关于DL检测CRC MSI准确性的证据，为未来开发或更新AI辅助检测CRC MSI状态的工具提供循证证据。

用户统计

最初检索到14,011项研究。剔除3,967篇重复出版物后，阅读了剩余10,064篇研究的标题或摘要以排除不相关的研究。然后仔细审查了剩余研究的全文，并排除了不符合条件的研究（专家意见、指南、综述、以及未全文发表的会议摘要和学位论文（n=6）、缺乏评估DL模型准确性的结局指标（n=1）、仅包含常规ML模型（n=1）等）。最终，30项原始研究被纳入定性综合，其中21项研究的数据被用于荟萃分析。

主要结果

目前，用于预测CRC MSI状态的DL模型主要基于病理切片建立，极少基于MRI、结肠镜和拉曼光谱。基于病理切片的DL数据主要来自癌症基因组图谱（TCGA），部分研究也进行了单中心或多中心的外部验证。基于病理切片的DL检测MSI的汇总灵敏度和特异性分别为0.90（95%CI 0.85-0.93）和0.86（95%CI 0.80-0.90），其外部验证的汇总灵敏度和特异性分别为0.88（95%CI 0.83-0.92）和0.84（95%CI 0.76-0.89）。这表明该技术具有稳健的性能。然而，基于MRI、结肠镜和拉曼光谱的DL研究数量非常有限，无法进行有意义的汇总分析，其临床应用价值尚需更多研究证实。

结论

基于病理切片的深度学习在检测CRC MSI方面表现出令人满意的准确性，可以作为一种创新且有效的方法。尽管其研发仍在进行中，但已显示出巨大的潜力。未来，可以开发高效的基于病理切片的智能检测软件以辅助检测。然而，基于影像图像的DL证据有限，需要在未来进行进一步验证。

术语表

• •
  MSI：微卫星不稳定性
• •
  CRC：结直肠癌
• •
  DL：深度学习
• •
  QUADAS-2：诊断准确性研究质量评估工具-2
• •
  PLR：阳性似然比
• •
  DOR：诊断比值比
• •
  NLR：阴性似然比
• •
  AUC：受试者工作特征曲线下面积
• •
  NGS：下一代测序
• •
  MSI-H：微卫星不稳定性高
• •
  ML：机器学习
• •
  AI：人工智能
• •
  ROI：感兴趣区域
• •
  SROC：汇总受试者工作特征曲线
• •
  CI：置信区间

（注：作者贡献、资金来源、利益冲突声明等内容已按原文列出，在此不再赘述。）